「这是我参与11月更文挑战的第20天，活动详情查看：2021最后一次更文挑战」。
一、Hive 入门
1、什么是 Hive
Hive：由Facebook开源用于解决海量结构化日志的数据统计。
Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张表，并提供类SQL查询功能。
本质是：将HQL转化成MapReduce程序
- Hive 处理的数据存储在 HDFS
- Hive 分析数据底层的实现是 MapReduce
- 执行程序运行在 Yarn 上
2、Hive 的优缺点
2.1、优点
- 操作接口采用类 SQL 语法，提供快速开发的能力（简单、容易上手）。
- 避免了去写 MapReduce，减少开发人员的学习成本。
- Hive 的执行延迟比较高，因此 Hive 常用于数据分析，对实时性要求不高的场合。
- Hive 优势在于处理大数据，对于处理小数据没有优势，因为 Hive 的执行延迟比较高。
- Hive 支持用户自定义函数，用户可以根据自己的需求来实现自己的函数。
2.2、缺点
- Hive 的 HQL 表达能力有限
- 迭代式算法无法表达
- 数据挖掘方面不擅长，由于 MapReduce 数据处理流程的限制，效率更高的算法却无法实现。
- Hive 的效率比较Hive
- 自动生成的 MapReduce 作业，通常情况下不够智能化低
- Hive 调优比较困难，粒度较粗
3、Hive 架构原理
- 用户接口：Client
- CLI（command-line interface）、JDBC/ODBC(jdbc 访问 hive)、WEBUI（浏览器访问 hive）
- 元数据：Metastore
- 元数据包括：表名、表所属的数据库（默认是 default）、表的拥有者、列/分区字段、表的类型（是否是外部表）、表的数据所在目录等；
- 默认存储在自带的 derby 数据库中，推荐使用 MySQL 存储 Metastore
- Hadoop
- 使用 HDFS 进行存储，使用 MapReduce 进行计算。
- 驱动器：Driver
- 解析器（SQL Parser）：将 SQL 字符串转换成抽象语法树 AST，这一步一般都用第三方工具库完成，比如 antlr；对 AST 进行语法分析，比如表是否存在、字段是否存在、SQL语义是否有误。
- 编译器（Physical Plan）：将 AST 编译生成逻辑执行计划。
- 优化器（Query Optimizer）：对逻辑执行计划进行优化。
- 执行器（Execution）：把逻辑执行计划转换成可以运行的物理计划。对于 Hive 来说，就是 MR/Spark。
Hive 通过给用户提供的一系列交互接口，接收到用户的指令(SQL)，使用自己的 Driver，结合元数据(MetaStore)，将这些指令翻译成 MapReduce，提交到 Hadoop 中执行，最后，将执行返回的结果输出到用户交互接口。
4、Hive 和数据库比较
由于 Hive 采用了类似 SQL 的查询语言 HQL(Hive Query Language)，因此很容易将 Hive 理解为数据库。其实从结构上来看，Hive 和数据库除了拥有类似的查询语言，再无类似之处。本文将从多个方面来阐述 Hive 和数据库的差异。数据库可以用在 Online 的应用中，但是Hive 是为数据仓库而设计的，清楚这一点，有助于从应用角度理解 Hive 的特性。
4.1、查询语言
由于SQL被广泛的应用在数据仓库中，因此，专门针对Hive的特性设计了类SQL的查询语言HQL。熟悉SQL开发的开发者可以很方便的使用Hive进行开发。
4.2、数据存储位置
Hive 是建立在 Hadoop 之上的，所有 Hive 的数据都是存储在 HDFS 中的。而数据库则可以将数据保存在块设备或者本地文件系统中。
4.3、数据更新
由于Hive是针对数据仓库应用设计的，而数据仓库的内容是读多写少的。因此，Hive中不建议对数据的改写，所有的数据都是在加载的时候确定好的。而数据库中的数据通常是需要经常进行修改的，因此可以使用 INSERT INTO … VALUES 添加数据，使用 UPDATE … SET修改数据。
4.4、索引
Hive在加载数据的过程中不会对数据进行任何处理，甚至不会对数据进行扫描，因此也没有对数据中的某些Key建立索引。Hive要访问数据中满足条件的特定值时，需要暴力扫描整个数据，因此访问延迟较高。由于 MapReduce 的引入， Hive 可以并行访问数据，因此即使没有索引，对于大数据量的访问，Hive 仍然可以体现出优势。数据库中，通常会针对一个或者几个列建立索引，因此对于少量的特定条件的数据的访问，数据库可以有很高的效率，较低的延迟。由于数据的访问延迟较高，决定了 Hive 不适合在线数据查询。
4.5、执行
Hive中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的。而数据库通常有自己的执行引擎。
4.6、执行延迟
Hive 在查询数据的时候，由于没有索引，需要扫描整个表，因此延迟较高。另外一个导致 Hive 执行延迟高的因素是 MapReduce框架。由于MapReduce 本身具有较高的延迟，因此在利用MapReduce 执行Hive查询时，也会有较高的延迟。相对的，数据库的执行延迟较低。当然，这个低是有条件的，即数据规模较小，当数据规模大到超过数据库的处理能力的时候，Hive的并行计算显然能体现出优势。
4.7、可扩展性
由于Hive是建立在Hadoop之上的，因此Hive的可扩展性是和Hadoop的可扩展性是一致的（世界上最大的Hadoop 集群在 Yahoo!，2009年的规模在4000 台节点左右）。而数据库由于 ACID 语义的严格限制，扩展行非常有限。目前最先进的并行数据库 Oracle在理论上的扩展能力也只有100台左右。
4.8、数据规模
由于Hive建立在集群上并可以利用MapReduce进行并行计算，因此可以支持很大规模的数据；对应的，数据库可以支持的数据规模较小。
二、Hive 安装
1、Hive 安装地址
-
Hive官网地址
-
文档查看地址
-
下载地址
-
github地址
2、Hive 安装部署
2.1、安装 Hive
-
把 apache-hive-3.1.2-bin.tar.gz 上传到 linux 的/opt/software 目录下
-
解压 apache-hive-3.1.2-bin.tar.gz 到/opt/module/目录下面
[moe@hadoop102 module]$ tar -zxvf apache-hive-3.1.2-bin.tar.gz -C /opt/module/ -
修改 apache-hive-3.1.2-bin.tar.gz 的名称为 hive-3.1.2
[moe@hadoop102 module]$ mv apache-hive-3.1.2-bin hive-3.1.2 -
修改/etc/profile.d/my_env.sh，添加环境变量
[moe@hadoop102 module]$ vim /etc/profile.d/my_env.sh -
添加内容
#HIVE_HOME export HIVE_HOME=/opt/module/hive-3.1.2 export PATH=$PATH:$HIVE_HOME/bin -
解决日志 Jar 包冲突
[moe@hadoop102 lib]$ mv log4j-slf4j-impl-2.10.0.jar log4j-slf4j-impl-2.10.0.jar.bak -
初始化元数据库
[moe@hadoop102 hive-3.1.2]$ bin/schematool -dbType derby -initSchema
2.2、启动并使用 Hive
注意：前提需要启动hadoop集群！！！ cwiki.apache.org/confluence/…
-
启动 Hive
[moe@hadoop102 hive-3.1.2]$ bin/hive -
使用 Hive
hive> show databases; hive> show tables; hive> create table test(id int); hive> insert into test values(1); hive> select * from test; -
在 CRT 窗口中开启另一个窗口开启 Hive，在/tmp/moe 目录下监控 hive.log 文件
Caused by: ERROR XSDB6: Another instance of Derby may have already booted the database /opt/module/hive-3.1.2/metastore_db.原因在于 Hive 默认使用的元数据库为 derby，开启 Hive 之后就会占用元数据库，且不与其他客户端共享数据，所以我们需要将 Hive 的元数据地址改为 MySQL。
3、MySQL安装
-
检查当前系统是否安装过 MySQL
[moe@hadoop102 hive-3.1.2]$ rpm -qa|grep mariadb mariadb-libs-5.5.56-2.el7.x86_64 //如果存在通过如下命令卸载 [moe@hadoop102 hive-3.1.2]$ sudo rpm -e --nodeps mariadb-libs -
将 MySQL 安装包拷贝到/opt/software 目录下
[moe@hadoop102 software]$ ll -rw-r--r--. 1 moe moe 609556480 11月 19 15:30 mysql-5.7.28-1.el7.x86_64.rpm-bundle.tar -
解压 MySQL 安装包
[moe@hadoop102 software]$ tar -xf mysql-5.7.28-1.el7.x86_64.rpm-bundle.tar -
在安装目录下执行 rpm 安装
sudo rpm -ivh mysql-community-common-5.7.28-1.el7.x86_64.rpm sudo rpm -ivh mysql-community-libs-5.7.28-1.el7.x86_64.rpm sudo rpm -ivh mysql-community-libs-compat-5.7.28-1.el7.x86_64.rpm sudo rpm -ivh mysql-community-client-5.7.28-1.el7.x86_64.rpm sudo rpm -ivh mysql-community-server-5.7.28-1.el7.x86_64.rpm -
删除/etc/my.cnf 文件中 datadir 指向的目录下的所有内容,如果有内容的情况下:
查看 datadir 的值：
[mysqld] datadir=/var/lib/mysql删除/var/lib/mysql 目录下的所有内容:
[moe@hadoop102 mysql]$ cd /var/lib/mysql [moe@hadoop102 mysql]$ sudo rm -rf ./* -
初始化数据库
[moe@hadoop102 opt]$ sudo mysqld --initialize --user=mysql -
查看临时生成的 root 用户的密码
[moe@hadoop102 opt]$ sudo cat /var/log/mysqld.log 2021-11-19T07:41:32.459045Z 0 [Warning] TIMESTAMP with implicit DEFAULT value is deprecated. Please use --explicit_defaults_for_timestamp server option (see documentation for more details). 2021-11-19T07:41:32.602719Z 0 [Warning] InnoDB: New log files created, LSN=45790 2021-11-19T07:41:32.638515Z 0 [Warning] InnoDB: Creating foreign key constraint system tables. 2021-11-19T07:41:32.645648Z 0 [Warning] No existing UUID has been found, so we assume that this is the first time that this server has been started. Generating a new UUID: 1d96221d-490c-11ec-ba3f-000c296d2c15. 2021-11-19T07:41:32.646270Z 0 [Warning] Gtid table is not ready to be used. Table 'mysql.gtid_executed' cannot be opened. 2021-11-19T07:41:34.241353Z 0 [Warning] CA certificate ca.pem is self signed. 2021-11-19T07:41:34.493581Z 1 [Note] A temporary password is generated for root@localhost: Ek/9.yjpp#AN -
启动 MySQL 服务
[moe@hadoop102 opt]$ sudo systemctl start mysqld -
登录 MySQL 数据库
[moe@hadoop102 opt]$ mysql -uroot -p Enter password: -
必须先修改 root 用户的密码,否则执行其他的操作会报错
set password = password("新密码"); -
修改 mysql 库下的 user 表中的 root 用户允许任意 ip 连接
mysql> update mysql.user set host='%' where user='root'; Query OK, 1 row affected (0.00 sec) Rows matched: 1 Changed: 1 Warnings: 0 mysql> flush privileges; Query OK, 0 rows affected (0.00 sec)
4、Hive 元数据配置到MySQL
4.1、拷贝驱动
将 MySQL 的 JDBC 驱动拷贝到 Hive 的 lib 目录下
[moe@hadoop102 software]$ cp mysql-connector-java-5.1.37.jar $HIVE_HOME/lib/
4.2、配置 Metastore 到 MySQL
-
在$HIVE_HOME/conf 目录下新建 hive-site.xml 文件
<?xml version="1.0"?> <?xml-stylesheet type="text/xsl" href="configuration.xsl"?> <configuration> <!-- jdbc 连接的 URL --> <property> <name>javax.jdo.option.ConnectionURL</name> <value>jdbc:mysql://hadoop102:3306/metastore?useSSL=false</value> </property> <!-- jdbc 连接的 Driver--> <property> <name>javax.jdo.option.ConnectionDriverName</name> <value>com.mysql.jdbc.Driver</value> </property> <!-- jdbc 连接的 username--> <property> <name>javax.jdo.option.ConnectionUserName</name> <value>root</value> </property> <!-- jdbc 连接的 password --> <property> <name>javax.jdo.option.ConnectionPassword</name> <value>xxx</value> </property> <!-- Hive 元数据存储版本的验证 --> <property> <name>hive.metastore.schema.verification</name> <value>false</value> </property> <!--元数据存储授权--> <property> <name>hive.metastore.event.db.notification.api.auth</name> <value>false</value> </property> <!-- Hive 默认在 HDFS 的工作目录 --> <property> <name>hive.metastore.warehouse.dir</name> <value>/user/hive/warehouse</value> </property> </configuration> -
登陆 MySQL
[moe@hadoop102 conf]$ mysql -uroot -p Enter password: -
新建 Hive 元数据库
mysql> create database metastore; -
初始化 Hive 元数据库
[moe@hadoop102 conf]$ schematool -initSchema -dbType mysql -verbose
4.3、再次启动 Hive
-
启动 Hive
[moe@hadoop102 hive-3.1.2]$ hive -
使用 Hive
hive> show databases; hive> show tables; hive> create table test (id int); hive> insert into test values(1); hive> select * from test; -
在 CRT 窗口中开启另一个窗口开启 Hive
5、使用元数据服务的方式访问 Hive
-
在 hive-site.xml 文件中添加如下配置信息
<!-- 指定存储元数据要连接的地址 --> <property> <name>hive.metastore.uris</name> <value>thrift://hadoop102:9083</value> </property> -
启动 metastore
[moe@hadoop102 conf]$ hive --service metastore -
启动 hive
[moe@hadoop102 hive-3.1.2]$ hive
6、使用 JDBC 方式访问 Hive
-
在 hive-site.xml 文件中添加如下配置信息
<!-- 指定 hiveserver2 连接的 host --> <property> <name>hive.server2.thrift.bind.host</name> <value>hadoop102</value> </property> <!-- 指定 hiveserver2 连接的端口号 --> <property> <name>hive.server2.thrift.port</name> <value>10000</value> </property> -
启动 hiveserver2
[moe@hadoop102 conf]$ hive --service hiveserver2 -
启动 beeline 客户端（需要多等待一会）
注意：需要在core-site.xml中配置关于用户moe的代理！！！
<property> <name>hadoop.proxyuser.moe.hosts</name> <value>*</value> </property> <property> <name>hadoop.proxyuser.moe.groups</name> <value>*</value> </property>[moe@hadoop102 hive-3.1.2]$ bin/beeline -u jdbc:hive2://hadoop102:10000 -n moe Connecting to jdbc:hive2://hadoop102:10000 Connected to: Apache Hive (version 3.1.2) Driver: Hive JDBC (version 3.1.2) Transaction isolation: TRANSACTION_REPEATABLE_READ Beeline version 3.1.2 by Apache Hive 0: jdbc:hive2://hadoop102:10000> -
看到如下界面
Connecting to jdbc:hive2://hadoop102:10000 Connected to: Apache Hive (version 3.1.2) Driver: Hive JDBC (version 3.1.2) Transaction isolation: TRANSACTION_REPEATABLE_READ Beeline version 3.1.2 by Apache Hive 0: jdbc:hive2://hadoop102:10000>
7、Hive 常用交互命令
[moe@hadoop102 bin]$ hive -help
usage: hive
-d,--define <key=value> Variable substitution to apply to Hive
commands. e.g. -d A=B or --define A=B
--database <databasename> Specify the database to use
-e <quoted-query-string> SQL from command line
-f <filename> SQL from files
-H,--help Print help information
--hiveconf <property=value> Use value for given property
--hivevar <key=value> Variable substitution to apply to Hive
commands. e.g. --hivevar A=B
-i <filename> Initialization SQL file
-S,--silent Silent mode in interactive shell
-v,--verbose Verbose mode (echo executed SQL to the
console)
-
"-e" 不进入 hive 的交互窗口执行 sql 语句
[moe@hadoop102 bin]$ hive -e "select * from test;" -
"-f" 执行脚本中 sql 语句
-
在/opt/module/hive-3.1.2/下创建 datas 目录并在 datas 目录下创建 hivef.sql 文件
[moe@hadoop102 datas]$ vim hivef.sql -
文件中写入正确的 sql 语句
select * from test; -
执行文件中的 sql 语句
[moe@hadoop102 datas]$ hive -f hivef.sql -
执行文件中的 sql 语句并将结果写入文件中
[moe@hadoop102 datas]$ hive -f hivef.sql > hive_result.txt
-
8、Hive 其他命令操作
-
退出 hive 窗口
hive(default)>exit; hive(default)>quit; -
在 hive cli 命令窗口中如何查看 hdfs 文件系统
hive> dfs -ls /; Found 2 items drwx------ - moe supergroup 0 2021-11-19 13:26 /tmp drwx------ - moe supergroup 0 2021-11-19 13:29 /user -
查看在 hive 中输入的所有历史命令
-
进入到当前用户的根目录
[moe@hadoop102 datas]$ cd ~ -
查看. hivehistory 文件
-
9、Hive 常见属性配置
9.1、Hive 运行日志信息配置
-
Hive 的 log 默认存放在/tmp/用户名/hive.log 目录下
-
修改 hive 的 log 存放日志到/opt/module/hive-3.1.2/logs
-
修改/opt/module/hive-3.1.2/conf/hive-log4j2.properties.template 文件名称为hive-log4j2.properties
[moe@hadoop102 conf]$ mv hive-log4j2.properties.template hive-log4j2.properties -
在 hive-log4j2.properties 文件中修改 log 存放位置
property.hive.log.dir = /opt/module/hive-3.1.2/logs
-
9.2、打印当前库和表头
在 hive-site.xml 中加入如下两个配置
<!-- 打印表头-->
<property>
<name>hive.cli.print.header</name>
<value>true</value>
</property>
<!-- 打印当前库-->
<property>
<name>hive.cli.print.current.db</name>
<value>true</value>
</property>
9.3、参数配置方式
-
查看当前所有的配置信息
hive>set; -
参数的配置三种方式
-
配置文件方式
默认配置文件：hive-default.xml
用户自定义配置文件：hive-site.xml
注意：用户自定义配置会覆盖默认配置。另外，Hive 也会读入 Hadoop 的配置，因为 Hive是作为 Hadoop 的客户端启动的，Hive 的配置会覆盖 Hadoop 的配置。配置文件的设定对本机启动的所有 Hive 进程都有效。
-
命令行参数方式
启动 Hive 时，可以在命令行添加-hiveconf param=value 来设定参数。
[moe@hadoop102 logs]$ bin/hive -hiveconf mapred.reduce.tasks=10;注意：仅对本次 hive 启动有效
查看参数设置：
hive (default)> set mapred.reduce.tasks; -
参数声明方式
可以在 HQL 中使用 SET 关键字设定参数
例如：
hive (default)> set mapred.reduce.tasks=100;注意：仅对本次 hive 启动有效。
查看参数设置
hive (default)> set mapred.reduce.tasks;上述三种设定方式的优先级依次递增。即配置文件<命令行参数<参数声明。注意某些系统级的参数，例如 log4j 相关的设定，必须用前两种方式设定，因为那些参数的读取在会话建立以前已经完成了。
-
